No description has been provided for this image
Universidad del Desarrollo
Magíster en Data Science

TAREA 4: Análisis de Estimaciones de Pobreza Comunal en Chile - 2022¶

Autores: Simón Ramirez - Victor Saldivia - Carlos Saquel
Asignatura: Visualización de la Información

Este análisis tiene como objetivo explorar las estimaciones de pobreza por ingresos y pobreza multidimensional en las comunas de Chile durante el año 2022. Los datos fueron obtenidos a partir de los conjuntos de datos proporcionados por el Ministerio de Desarrollo Social y Familia de Chile a través del Ministerio de Desarrollo Social y Familia.

A continuación, se presenta un análisis descriptivo y visualizaciones para comprender de mejor forma las correlaciones y características de la pobreza en las comunas del país, particularmente las relaciones entre índice de pobreza por ingreso, población y densidad de población.

IMPORTACIÓN DE LIBRERÍAS, CARGA Y LIMPIEZA DE DATOS¶

In [1]:
import pandas as pd
import re
import numpy as np
import seaborn as sns
import matplotlib.patches as patches
from matplotlib import lines
import matplotlib.pyplot as plt
from matplotlib.transforms import Affine2D
from matplotlib.collections import PathCollection
from matplotlib.colors import LinearSegmentedColormap
from matplotlib.ticker import PercentFormatter, MultipleLocator
import matplotlib.gridspec as gridspec
import geopandas as gpd

from mpl_toolkits.axisartist.grid_finder import DictFormatter
import mpl_toolkits.axisartist.floating_axes as floating_axes

import matplotlib.font_manager as fm

import warnings
warnings.filterwarnings("ignore")

El archivo que vamos a utilizar contiene información sobre las estimaciones de pobreza en Chile para el año 2022, tanto de ingresos como multidimensional. Comenzamos explorando los datos de estimación de pobreza por ingreso 2022.

In [2]:
df = pd.read_excel('./data/Estimaciones_Tasa_Pobreza_Ingresos_Comunas_2022.xlsx')
df.head(3)
Out[2]:
Estimaciones de Tasa de Pobreza por ingresos por comuna. Aplicación de Metodologías de Estimación para Áreas Pequeñas (SAE) 2022 Unnamed: 1 Unnamed: 2 Unnamed: 3 Unnamed: 4 Unnamed: 5 Unnamed: 6 Unnamed: 7 Unnamed: 8 Unnamed: 9
0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
1 Código Región Nombre comuna Número de personas según proyecciones de pobla... Número de personas en situación de pobreza por... Porcentaje de personas en situación de pobreza... Límite inferior\n (***) Límite superior Presencia de la comuna en la muestra Casen Tipo de estimación SAE \n(****)
2 1101 Tarapacá Iquique 229674 18122 0.078904 0.064903 0.092905 Sí Directa y Sintética (Fay-Herriot)

En general, los datos están limpios solo hay que comenzar eliminar la primara fila y renombrar las columnas para mejorar la legibilidad.

In [3]:
# Funciones de limpieza de columnas y acentos
def accent_replace(col):
    reemplazos = {
        'á': 'a', 'é': 'e', 'í': 'i', 'ó': 'o', 'ú': 'u',
        'Á': 'A', 'É': 'E', 'Í': 'I', 'Ó': 'O', 'Ú': 'U',
    }
    for acento, sin_acento in reemplazos.items():
        col = col.replace(acento, sin_acento)
    return col

def columns_clean(columnas):
    columnas_limpias = []
    for col in columnas:
        col = accent_replace(col).lower().replace('\n', '')
        col = re.sub(r'\(.*?\)', '', col).replace('*', '').replace(' ', '_')
        col = re.sub(r'[^a-z0-9_]', '', col).rstrip('_')
        columnas_limpias.append(col)
    return columnas_limpias

def get_clean_data(file, get_rows):
    df = pd.read_excel(file, skiprows=get_rows[0])
    df = df.iloc[:get_rows[1]]
    df.columns = columns_clean(df.columns)
    return df

Al realizar una revisión de los datos tenemos 345 comunas con datos de:

  • codigo: código numérico para cada comuna.
  • comuna: nombre de la comuna.
  • region: región de la comuna.
  • poblacion: población de la comuna para el año 2022.
  • personas_pobreza_por_ingresos: multiplicación de la población por la estimación de pobreza por ingreso año 2022.
  • porcentaje_pobreza_por_ingresos_2022: estimación de pobreza por ingreso para el año 2022.
  • limite_inferior_ingreso: límite inferior del intervalo de confianza de la estimación de pobreza por ingreso 2022.
  • limite_superior_ingreso: límite superior del intervalo de confianza de la estimación de pobreza por ingreso 2022.
  • presencia_comuna_casen: indicativo de si la comuna cuenta con encuesta case año 2022.
  • tipo_de_estimacion_sae: metodología de estimación de pobreza para áreas pequeñas (sae), Directa y Sintética (Fay-Herriot) o Sintética.

Como dato relevante es imporante mencionar que la metodología SAE fortalece la calidad de las estimaciones realizadas sobre áreas o poblaciones pequeñas, combinando la estimación obtenida directamente de la Encuesta Casen con una estimación construida a partir de información procedente de otras fuentes de datos. La metodología fue actualizada entre 2019 y 2020, con apoyo de CEPAL, esto implica que estimaciones anteriores a esta fecha peuden ser menos precisas.

In [4]:
df_1 = get_clean_data(file='./data/Estimaciones_Tasa_Pobreza_Ingresos_Comunas_2022.xlsx', get_rows=[2, 345])
df_1.columns = ['codigo', 'region', 'comuna', 'poblacion', 'personas_pobreza_por_ingresos', 'porcentaje_pobreza_por_ingresos_2022',
                'limite_inferior_ingreso', 'limite_superior_ingreso', 'presencia_comuna_casen', 'tipo_de_estimacion_sae']
df_1.head(3)
Out[4]:
codigo region comuna poblacion personas_pobreza_por_ingresos porcentaje_pobreza_por_ingresos_2022 limite_inferior_ingreso limite_superior_ingreso presencia_comuna_casen tipo_de_estimacion_sae
0 1101 Tarapacá Iquique 229674.0 18122.0 0.078904 0.064903 0.092905 Sí Directa y Sintética (Fay-Herriot)
1 1107 Tarapacá Alto Hospicio 138527.0 21144.0 0.152634 0.137397 0.167872 Sí Directa y Sintética (Fay-Herriot)
2 1401 Tarapacá Pozo Almonte 18290.0 2805.0 0.153344 0.115596 0.191092 Sí Directa y Sintética (Fay-Herriot)
In [5]:
df_1.describe(include='all')
Out[5]:
codigo region comuna poblacion personas_pobreza_por_ingresos porcentaje_pobreza_por_ingresos_2022 limite_inferior_ingreso limite_superior_ingreso presencia_comuna_casen tipo_de_estimacion_sae
count 345.0 345 345 345.000000 345.000000 345.000000 345.000000 345.000000 345 345
unique 345.0 16 345 NaN NaN NaN NaN NaN 2 2
top 1101.0 Metropolitana Iquique NaN NaN NaN NaN NaN Sí Directa y Sintética (Fay-Herriot)
freq 1.0 52 1 NaN NaN NaN NaN NaN 335 246
mean NaN NaN NaN 57618.115942 3748.527536 0.090339 0.051886 0.129155 NaN NaN
std NaN NaN NaN 91321.953828 5168.776092 0.043544 0.034849 0.054402 NaN NaN
min NaN NaN NaN 207.000000 6.000000 0.008747 0.000000 0.021982 NaN NaN
25% NaN NaN NaN 9959.000000 985.000000 0.059865 0.026897 0.092199 NaN NaN
50% NaN NaN NaN 20525.000000 1863.000000 0.085873 0.047585 0.123562 NaN NaN
75% NaN NaN NaN 56542.000000 3888.000000 0.115698 0.070589 0.163677 NaN NaN
max NaN NaN NaN 661900.000000 33344.000000 0.242779 0.191087 0.319394 NaN NaN
In [6]:
df_1.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 345 entries, 0 to 344
Data columns (total 10 columns):
 #   Column                                Non-Null Count  Dtype  
---  ------                                --------------  -----  
 0   codigo                                345 non-null    object 
 1   region                                345 non-null    object 
 2   comuna                                345 non-null    object 
 3   poblacion                             345 non-null    float64
 4   personas_pobreza_por_ingresos         345 non-null    float64
 5   porcentaje_pobreza_por_ingresos_2022  345 non-null    float64
 6   limite_inferior_ingreso               345 non-null    float64
 7   limite_superior_ingreso               345 non-null    float64
 8   presencia_comuna_casen                345 non-null    object 
 9   tipo_de_estimacion_sae                345 non-null    object 
dtypes: float64(5), object(5)
memory usage: 27.1+ KB

Ahora revisamos los datos de estimación de pobreza multidimensional 2022.

Los datos presentan las mismas 345 comunas con datos, agregando:

  • personas_pobreza_multidimensional: multiplicación de la población por la estimación de pobreza multidimensional año 2022.
  • porcentaje_pobreza_multidimensional_2022: estimación de pobreza multidimensional para el año 2022.
  • limite_inferior_multidimensional: límite inferior del intervalo de confianza de la estimación de pobreza multidimensional 2022.
  • limite_superior_multidimensional: límite superior del intervalo de confianza de la estimación de pobreza multidimensional 2022.
In [7]:
df_2 = get_clean_data(file='./data/Estimaciones_Indice_Pobreza_Multidimensional_Comunas_2022.xlsx', get_rows=[2, 345])
df_2.columns = ['codigo', 'region', 'comuna', 'poblacion', 'personas_pobreza_multidimensional', 'porcentaje_pobreza_multidimensional_2022',
                'limite_inferior_multidimensional', 'limite_superior_multidimensional', 'presencia_comuna_casen', 'tipo_de_estimacion_sae']
df_2.head(3)
Out[7]:
codigo region comuna poblacion personas_pobreza_multidimensional porcentaje_pobreza_multidimensional_2022 limite_inferior_multidimensional limite_superior_multidimensional presencia_comuna_casen tipo_de_estimacion_sae
0 1101 Tarapacá Iquique 229674.0 41966.566241 0.182722 0.162429 0.203015 Sí Directa y Sintética (Fay-Herriot)
1 1107 Tarapacá Alto Hospicio 138527.0 45162.442981 0.326019 0.294776 0.357263 Sí Directa y Sintética (Fay-Herriot)
2 1401 Tarapacá Pozo Almonte 18290.0 4563.395313 0.249502 0.199334 0.299671 Sí Directa y Sintética (Fay-Herriot)
In [8]:
df_2.describe(include='all')
Out[8]:
codigo region comuna poblacion personas_pobreza_multidimensional porcentaje_pobreza_multidimensional_2022 limite_inferior_multidimensional limite_superior_multidimensional presencia_comuna_casen tipo_de_estimacion_sae
count 345.0 345 345 345.000000 345.000000 345.000000 345.000000 345.000000 345 345
unique 345.0 16 345 NaN NaN NaN NaN NaN 2 2
top 1101.0 Metropolitana Iquique NaN NaN NaN NaN NaN Sí Directa y Sintética (Fay-Herriot)
freq 1.0 52 1 NaN NaN NaN NaN NaN 335 298
mean NaN NaN NaN 57618.115942 9763.030150 0.194504 0.138041 0.251170 NaN NaN
std NaN NaN NaN 91321.953828 15099.360264 0.070852 0.060731 0.083519 NaN NaN
min NaN NaN NaN 207.000000 0.234564 0.001133 0.000000 0.014602 NaN NaN
25% NaN NaN NaN 9959.000000 2051.968205 0.152218 0.105272 0.200601 NaN NaN
50% NaN NaN NaN 20525.000000 4087.274968 0.188434 0.130985 0.244170 NaN NaN
75% NaN NaN NaN 56542.000000 9050.029870 0.228287 0.165782 0.294340 NaN NaN
max NaN NaN NaN 661900.000000 125234.776994 0.586389 0.434680 0.738099 NaN NaN
In [9]:
df_2.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 345 entries, 0 to 344
Data columns (total 10 columns):
 #   Column                                    Non-Null Count  Dtype  
---  ------                                    --------------  -----  
 0   codigo                                    345 non-null    object 
 1   region                                    345 non-null    object 
 2   comuna                                    345 non-null    object 
 3   poblacion                                 345 non-null    float64
 4   personas_pobreza_multidimensional         345 non-null    float64
 5   porcentaje_pobreza_multidimensional_2022  345 non-null    float64
 6   limite_inferior_multidimensional          345 non-null    float64
 7   limite_superior_multidimensional          345 non-null    float64
 8   presencia_comuna_casen                    345 non-null    object 
 9   tipo_de_estimacion_sae                    345 non-null    object 
dtypes: float64(5), object(5)
memory usage: 27.1+ KB

COMBINACIÓN DE DATASETS Y EXPLORACIÓN¶

Ahora vamos a combinar estos 2 dataset para comenzar a explorar los datos.

In [10]:
df_merge = df_1.merge(df_2[['codigo', 'porcentaje_pobreza_multidimensional_2022', 'limite_inferior_multidimensional', 'limite_superior_multidimensional']], on='codigo')
df_merge.head(3)
Out[10]:
codigo region comuna poblacion personas_pobreza_por_ingresos porcentaje_pobreza_por_ingresos_2022 limite_inferior_ingreso limite_superior_ingreso presencia_comuna_casen tipo_de_estimacion_sae porcentaje_pobreza_multidimensional_2022 limite_inferior_multidimensional limite_superior_multidimensional
0 1101 Tarapacá Iquique 229674.0 18122.0 0.078904 0.064903 0.092905 Sí Directa y Sintética (Fay-Herriot) 0.182722 0.162429 0.203015
1 1107 Tarapacá Alto Hospicio 138527.0 21144.0 0.152634 0.137397 0.167872 Sí Directa y Sintética (Fay-Herriot) 0.326019 0.294776 0.357263
2 1401 Tarapacá Pozo Almonte 18290.0 2805.0 0.153344 0.115596 0.191092 Sí Directa y Sintética (Fay-Herriot) 0.249502 0.199334 0.299671

Visualización correlación a nivel general¶

Se observan algunas correlaciones fuertes, en el caso de poblacion con personas_pobreza_por_ingresos la correlación no es interesante de revisar ya que una variable se calcula a partir de la otra.

Lo mismo en el caso de los rangos de los intervalos de confianza, ya que tanto los intervalos de confianza como la estimación de pobreza vienen del mismo cálculo y es razonable que tengan correlación alta.

En el caso de las estimaciones de pobreza, tanto por ingreso como multidimensional, presentan correlación medio en torno a 0.5, puede ser interesante revisarlo. De momento lo dejamos pendiente para continuar con la exploración.

In [11]:
sns.heatmap(df_merge.corr(numeric_only=True), annot=True, fmt=".2f", annot_kws={"size": 8});
No description has been provided for this image

Visualización de relaciones múltiples: Pairplot por región¶

A continuación, no se observa alguna relación tan clara. Si podría ser relevante la gran cantidad de población en la Región Metropolitana.

In [12]:
plt.figure(figsize=(10,10))
sns.pairplot(df_merge, hue='region');

<Figure size 1000x1000 with 0 Axes>
No description has been provided for this image

Scatter Plot de Pobreza por Ingresos vs Pobreza Multidimensional, Segmentado por Región¶

Tomando lo anterior y revisando el scatterplot podría ser interesante revisar alguna relación entre la pobreza y la población, ya que la mayoría de las comunas en la región Metropolitana presentan un bajo porcentaje de pobreza comparado con el resto de regiones y en esta región hay mayor cantidad de personas.

In [13]:
fig, ax = plt.subplots(4,4, figsize=(15,10), sharex=True, sharey=True)
k=0
for i in range(4):
    for j in range(4):
        df_merge_region = df_merge[df_merge['region']==df_merge.region.unique()[k]]
        ax[i,j].scatter(x=df_merge_region['porcentaje_pobreza_por_ingresos_2022'], y=df_merge_region['porcentaje_pobreza_multidimensional_2022'])
        ax[i,j].set_title(df_merge.region.unique()[k])
        k+=1

plt.tight_layout()
plt.show()
No description has been provided for this image

Este scatterplot muestra que el porcentaje de pobreza por ingreso para cada región en general se encuentran distribuidos entorno un valor promedio regional, distinto para las diferentes regiones. Esto podría indicar particularidades de cada región que influyen en el índice de pobreza de sus comunas. Además, se visualiza mejor los bajos índices de pobreza de la región Metropolitana respecto a otras regiones.

Para obtener una mejor prespectiva de esto vamos a realizar un gráfico que muestre las variaciones del índice de pobreza por ingreso de cada comuna respecto al índice de pobreza por ingreso regional.

In [14]:
# Colores
############################################################################################
def mod_color_op(color, intensidad=1., alpha=1.):
    return (color[0] * intensidad, color[1] * intensidad, color[2] * intensidad, alpha)

col_yellow = (224,177,101,255)
col_green = (0,150,158,255)
col_salmon = (221,109,109,255)
col_wine = (155,97,128,255)
col_black = (3,2,8,255)
col_white = (225,232,234,255)
col_gray_text = (58,84,95,255)
col_gray = (170,190,199,255)
col_gray_dark = (108,135,147,255)

colorSalmon = tuple([i/255 for i in col_salmon])
colorYellow = tuple([i/255 for i in col_yellow])
colorYellow = mod_color_op(colorYellow, intensidad=0.93, alpha=1.)
colorGreen = tuple([i/255 for i in col_green])

colorBlack = tuple([i/255 for i in col_black])
colorWhite= tuple([i/255 for i in col_white])
colorGrayText = tuple([i/255 for i in col_gray_text])
colorGray = tuple([i/255 for i in col_gray])
colorGrayDark = tuple([i/255 for i in col_gray_dark])

color_region = {'Metropolitana': colorGreen, 'Valparaíso': colorSalmon, 'Biobío': colorYellow}


# Fuentes
############################################################################################
font_path_latoBlack = 'Lato/Lato-Black.ttf' 
font_path_latoB = 'Lato/Lato-Bold.ttf' 
font_path_latoR = 'Lato/Lato-Regular.ttf'
font_path_latoI = 'Lato/Lato-Italic.ttf'
font_path_noto2 = 'Noto_Sans_Symbols_2/NotoSansSymbols2-Regular.ttf'

prop_latoBlack = fm.FontProperties(fname=font_path_latoBlack)
prop_latoB = fm.FontProperties(fname=font_path_latoB)
prop_latoR = fm.FontProperties(fname=font_path_latoR)
prop_latoI = fm.FontProperties(fname=font_path_latoI)
prop_noto2 = fm.FontProperties(fname=font_path_noto2)

# Colores 
col_black = (3,2,8,255)
col_white = (225,232,234,255)
col_gray_text = (58,84,95,255)
col_gray = (170,190,199,255)
col_gray_dark = (108,135,147,255)

colorBlack = tuple([i/255 for i in col_black])
colorWhite= tuple([i/255 for i in col_white])
colorGrayText = tuple([i/255 for i in col_gray_text])
colorGray = tuple([i/255 for i in col_gray])
colorGrayDark = tuple([i/255 for i in col_gray_dark])

# Funciones
############################################################################################
def title1_fig(fig, posx_line_title, posy_line_title, color_text, color_line, text,
            lw_line_title, pos_x0_title, pos_y0_title, fontsize=14, fontproperties=prop_latoBlack, linespacing=1):
    fig.add_artist(
        lines.Line2D(posx_line_title, posy_line_title, lw=lw_line_title, 
                    color=color_line, solid_capstyle="butt", 
                    transform=fig.transFigure))
    fig.text(pos_x0_title, pos_y0_title, text,
            ha='left', va='top', fontsize=fontsize, weight=700, 
            color=color_text, fontproperties=fontproperties, linespacing=linespacing)

def error_bar_draw(fig, pos, df_merge):
    mean_pais = df_merge['personas_pobreza_por_ingresos'].sum() / df_merge['poblacion'].sum()
    region_x = {}
    for r in df_merge.sort_values('num_region', ascending=True)['region'].unique():
        mean_region = df_merge[df_merge['region']==r]['personas_pobreza_por_ingresos'].sum() / df_merge[df_merge['region']==r]['poblacion'].sum()
        region_x[r] = mean_pais - mean_region

    errorbar_ax = fig.add_axes(pos)
    errorbar_ax.barh(y=region_x.keys(), width=region_x.values(), height=0.9, color=[colorSalmon if k<0 else colorGreen for k in region_x.values()], alpha=0.8, zorder=2)
    errorbar_ax.spines['top'].set_visible(False)
    errorbar_ax.spines['right'].set_visible(False)
    errorbar_ax.spines['left'].set_visible(False)
    errorbar_ax.spines['bottom'].set_color(colorGrayText)
    errorbar_ax.spines['bottom'].set_linewidth(0.5)

    errorbar_ax.tick_params(axis='y', direction='out', length=0, width=0.5, colors=colorGrayText, grid_color=colorGray, grid_alpha=0)
    errorbar_ax.tick_params(axis='x', direction='out', length=3, width=0.5, colors=colorGrayText, grid_color=colorGray, grid_alpha=0)

    errorbar_ax.axvline(0, color=colorGrayText, linewidth=0.5, zorder=1)
    errorbar_ax.text(0,16,f"Porcentaje nacional de\npobreza por ingresos\n{np.round(mean_pais*100,1)}%", ha='center', va='bottom', 
            color=colorGrayText, fontproperties=prop_latoR, fontsize=10, linespacing=1.3)
    errorbar_ax.set_ylim([-0.7, 15.7])

    errorbar_ax.set_xticks([-0.055, -0.05, -0.04, -0.03, -0.02, -0.01, 0, 0.01, 0.02, 0.03, 0.035])
    errorbar_ax.set_xticklabels(["", "-5%", "-4%", "-3%", "-2%", "-1%", "0%", "1%", "2%", "3%", ""], color=colorGrayText, fontproperties=prop_latoR, fontsize=8)
    errorbar_ax.set_yticklabels(region_x.keys(), color=colorGrayText, fontproperties=prop_latoR, fontsize=10)

# Grafico
############################################################################################
regiones_sort = {'Arica y Parinacota': 1, 'Tarapacá': 2, 'Antofagasta': 3, 'Atacama': 4, 'Coquimbo': 5, 'Valparaíso': 6, 'Metropolitana': 7, " O'Higgins": 8, 
                'Maule': 9, 'Ñuble': 10, 'Biobío': 11, 'La Araucanía': 12, 'Los Ríos': 13, 'Los Lagos': 14, 'Aysén': 15, 'Magallanes': 16}

df_merge['num_region'] = [17-regiones_sort[r] for r in df_merge.region]

fig, ax = plt.subplots(df_merge['region'].unique().shape[0], figsize=(10,15), dpi=200)

comunas_region_max = df_merge.groupby('region')['comuna'].count().max()
i=0
for r in df_merge.sort_values('num_region', ascending=False)['region'].unique():
    mean_region = df_merge[df_merge['region']==r]['personas_pobreza_por_ingresos'].sum() / df_merge[df_merge['region']==r]['poblacion'].sum()
    comunas_region_x = mean_region - df_merge.sort_values('porcentaje_pobreza_por_ingresos_2022', ascending=True)[df_merge['region']==r]['porcentaje_pobreza_por_ingresos_2022'].values
    shape_comuna = comunas_region_x.shape
    comunas_region_x = np.pad(comunas_region_x, (comunas_region_max - len(comunas_region_x), 0), mode='constant', constant_values=0)
    ax[i].bar(height=comunas_region_x, x=[j for j in range(comunas_region_max)], width=1, alpha=0.8,
            color=[colorSalmon if k<0 else colorGreen for k in comunas_region_x], zorder=1)
    ax[i].axhline(0, color=colorGray, linewidth=0.5)
    ax[i].set_xticks([])
    ax[i].set_ylim(-0.15, 0.15)
    ax[i].set_yticks([-0.10, 0, 0.10])
    ax[i].set_yticklabels(["-10.0 %", "0.0 %", "10.0 %"], fontsize=8)
    ax[i].set_xlim(-5, comunas_region_max)
    ax[i].yaxis.tick_right()
    ax[i].spines['top'].set_visible(False)
    ax[i].spines['right'].set_linewidth(0)
    ax[i].spines['left'].set_visible(False)
    ax[i].spines['bottom'].set_visible(False)

    ax[i].annotate(df_merge[df_merge['region']==r].loc[df_merge[df_merge['region']==r]['porcentaje_pobreza_por_ingresos_2022'].idxmax()].comuna, 
            xy=(51, comunas_region_x[-1]), xycoords='data', xytext=(49, -0.18), ha='right', textcoords='data', fontsize=10, 
            color=colorSalmon, fontproperties=prop_latoR, arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=colorSalmon))

    if r=='Metropolitana':
        ax[i].annotate(df_merge[df_merge['region']==r].loc[df_merge[df_merge['region']==r]['porcentaje_pobreza_por_ingresos_2022'].idxmin()].comuna, 
                xy=(52 - shape_comuna[0], comunas_region_x[-shape_comuna[0]]), xycoords='data', xytext=(54 - shape_comuna[0], 0.18), ha='left', textcoords='data', fontsize=10, 
                color=colorGreen, fontproperties=prop_latoR, arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=colorGreen))
    else:
        ax[i].annotate(df_merge[df_merge['region']==r].loc[df_merge[df_merge['region']==r]['porcentaje_pobreza_por_ingresos_2022'].idxmin()].comuna, 
                xy=(52 - shape_comuna[0], comunas_region_x[-shape_comuna[0]]), xycoords='data', xytext=(50 - shape_comuna[0], 0.18), ha='right', textcoords='data', fontsize=10, 
                color=colorGreen, fontproperties=prop_latoR, arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=colorGreen))

    ax[i].tick_params(axis='y', direction='out', length=3, width=0.5, colors=colorGrayText, grid_color=colorGray, grid_alpha=0)
    pob_region = df_merge[df_merge['region']==r]['poblacion'].sum()

    ax[i].text(-17.5,0,f"{r}", ha='right', va='center', color=colorGrayText, fontproperties=prop_latoR, fontsize=10)
    ax[i].text(-11,0,f"{np.round(mean_region * 100, 1)}%", ha='right', va='center', color=colorGrayText, fontproperties=prop_latoR, fontsize=10)
    ax[i].scatter(-5,0, s=pob_region/6000, zorder=2, color=colorGray)
    ax[i].text(-6,0,f" {int(pob_region/1000)}k", ha='center', va='center', rotation=90, color=colorGrayText, fontproperties=prop_latoR, fontsize=10)
    i+=1

fig.text(0.125, 1.01,"Regiones", ha='center', va='bottom', color=colorGrayText, fontproperties=prop_latoB, fontsize=10)
fig.text(0.125, 1., "🡲", ha='center', va='center', fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=-90)

fig.text(0.21, 1.01,"Porcentaje\npobreza\npor ingreso\n2022", ha='center', va='bottom', color=colorGrayText, fontproperties=prop_latoB, fontsize=10)
fig.text(0.21, 1., "🡲", ha='center', va='center', fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=-90)

fig.text(0.30, 1.01,"Población\n2022", ha='center', va='bottom', color=colorGrayText, fontproperties=prop_latoB, fontsize=10)
fig.text(0.30, 1., "🡲", ha='center', va='center', fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=-90)

fig.text(0.6, 1.01,"Variación porcentaje de pobreza\npor ingreso respecto de la media de la región", ha='center', va='bottom', color=colorGrayText, fontproperties=prop_latoB, fontsize=10)
fig.text(0.45, 1., "🡲", ha='center', va='center', fontsize=10, weight=900, color=colorGreen, fontproperties=prop_noto2, rotation=-90)
fig.text(0.46, 1.,"Disminuye pobreza", ha='left', va='center', color=colorGreen, fontproperties=prop_latoR, fontsize=10)

fig.text(0.751, 1., "🡲", ha='center', va='center', fontsize=10, weight=900, color=colorSalmon, fontproperties=prop_noto2, rotation=90)
fig.text(0.741, 1.,"Aumenta pobreza", ha='right', va='center', color=colorSalmon, fontproperties=prop_latoR, fontsize=10)

fig.text(1.045, 0.45,"Variación porcentaje de pobreza\npor ingreso respecto de la media nacional", ha='left', va='bottom', color=colorGrayText, fontproperties=prop_latoB, fontsize=10)
error_bar_draw(fig, [1.16, 0.1, 0.5, 0.3], df_merge)

# Anotaciones
fig.text(1.15, 0.97, "La mayoría de las comunas\ntienden a ser más pobres que\nla media de la comuna. \nUna menor cantidad de\ncomunas mejoran el indice\nde pobreza de la región", ha='left', va='top', 
            fontsize=12, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0, linespacing=1.5)
fig.text(1.15, 0.97, "🡰 ", ha='right', va='top', 
            fontsize=12, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=0, linespacing=1.5)

fig.text(1.35, 0.845, "Las comunas menos pobres\nde cada región tienden a ser\ncapitales o comunas con\nalgún desarrollo\nindustrial y/o económico", ha='left', va='top', 
            fontsize=12, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0, linespacing=1.5)
fig.text(1.35, 0.845, "🡰 ", ha='right', va='top', 
            fontsize=12, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=0, linespacing=1.5)

fig.text(1.15, 0.72, "Las comunas más pobres\nde cada región tienden a ser\ncomunas más pequeñas\ncon menos población", ha='left', va='top', 
            fontsize=12, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0, linespacing=1.5)
fig.text(1.15, 0.72, "🡰 ", ha='right', va='top', 
            fontsize=12, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=0, linespacing=1.5)

fig.text(1.35, 0.595, "La región Metropolitana mejora\nlos indices de pobreza nacional\nal tener un bajo indice respecto\na la media y un gran\nnúmero de habitantes", ha='left', va='top', 
            fontsize=12, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0, linespacing=1.5)
fig.text(1.35, 0.595, "🡰 ", ha='right', va='top', 
            fontsize=12, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=90, linespacing=1.5)

# Titulo
posx_line_title = [0., 1.7]
posy_line_title = [1.1+0.01, 1.1+0.01]
lw_line_title = 1
pos_x0_title = 0.
pos_y0_title = 1.095+0.01
title1_fig(fig, posx_line_title, posy_line_title, colorGrayText, colorGrayText,
        "Distribución del índice de pobreza a lo largo de Chile el año 2022, variación regional",
        lw_line_title, pos_x0_title, pos_y0_title, fontsize=15, fontproperties=prop_latoBlack)

# Sub-Titulo
posx_line_title = [0., 0.02]
posy_line_title = [pos_y0_title - 0.019, pos_y0_title - 0.019]
lw_line_title = 1
pos_x0_title = 0.
pos_y0_title = pos_y0_title - 0.0202
title1_fig(fig, posx_line_title, posy_line_title, colorGrayText, colorGrayText,
        "Variación de índices de pobreza respecto a la pobreza regional$^{*}$",
        lw_line_title, pos_x0_title, pos_y0_title, fontsize=12, fontproperties=prop_latoB)

# Pie pagina
posx_line_title = [0., 1.7]
posy_line_title = [-0.01, -0.01]
lw_line_title = 1
pos_x0_title = 0.
pos_y0_title = -0.015
title1_fig(fig, posx_line_title, posy_line_title, colorGrayText, colorGrayText,
        "$^{*}$: Datos de estimaciones de pobreza comunal 2022 tomados del observatorio del ministerio de desarrollo social (https://observatorio.ministeriodesarrollosocial.gob.cl/pobreza-comunal-2022).\n",
        lw_line_title, pos_x0_title, pos_y0_title, fontsize=12, fontproperties=prop_latoI)

plt.tight_layout()
No description has been provided for this image

El gráfico anterior muestra varios temas que podrían ser relevantes:

  • En general, la mayoría de las comunas asociadas a una región tienen un porcentaje de pobreza superior a la media regional. Esto hace que una cantidad menor de comunas compensen la mejora mostrada en el promedio, lo que podría indicar que la cantidad de población por comuna sea incidente en el índice de pobreza por ingreso.
  • Las comunas con menor porcentaje de pobreza tienden a ser ciudades más grandes, con mayor población y con un mayor desarrollo ecónomico.
  • A nivel regional, parece haber una relación entre porcentaje de pobreza por ingreso y cantidad de población.
  • La región Metropolitana mueve el porcentaje de pobreza hacia la baja debido a su gran cantidad de población.

Considerando lo anterior, sería interesante revisar si hay alguna relación geográfica en la pobreza, para esto necesitamos traer la información de longitud y latitud. En este data set viene la superficie, por lo que tabién agregaremos la densidad de población en el 2022 y revisar si aporta información relevante.

In [15]:
# Info de + datos comunales
# para revisar relaciones de densidad de poblacion, latitud y longitud
# estas ultimas estan corregidas repecto de santiago para ver si hay alguna relacion entre distancia a santiago
df_dist = pd.read_csv('https://raw.githubusercontent.com/altazor-1967/Comunas-de-Chile/refs/heads/master/Latitud%20-%20Longitud%20Chile.csv')
df_dist.columns = ['codigo', 'comuna', 'provincia', 'región', 'superficie', 'población', 'densidad', 'IDH 2005', 'latitud', 'longitud', 'latitud (Sexagesimal)', 'longitud (Sexagesimal)']
df_dist.superficie = df_dist.superficie.str.strip().str.replace(',','').astype(float)
df_merge_2 = df_merge.merge(df_dist, on='codigo')
df_merge_2['densidad_pob_2022'] = df_merge_2['poblacion'] / df_merge_2['superficie'].astype(float)
df_merge_2.head(3)
Out[15]:
codigo region comuna_x poblacion personas_pobreza_por_ingresos porcentaje_pobreza_por_ingresos_2022 limite_inferior_ingreso limite_superior_ingreso presencia_comuna_casen tipo_de_estimacion_sae ... región superficie población densidad IDH 2005 latitud longitud latitud (Sexagesimal) longitud (Sexagesimal) densidad_pob_2022
0 1101 Tarapacá Iquique 229674.0 18122.0 0.078904 0.064903 0.092905 Sí Directa y Sintética (Fay-Herriot) ... Tarapacá 2242.1 191,468 85.4 0.766 -20.2439 -70.1389 -20°14' 38'' -70°8' 20'' 102.437001
1 1107 Tarapacá Alto Hospicio 138527.0 21144.0 0.152634 0.137397 0.167872 Sí Directa y Sintética (Fay-Herriot) ... Tarapacá 572.9 108,375 189.2 NaN -20.2569 -70.0219 -20°15' 25'' -70°1' 19'' 241.799616
2 1401 Tarapacá Pozo Almonte 18290.0 2805.0 0.153344 0.115596 0.191092 Sí Directa y Sintética (Fay-Herriot) ... Tarapacá 13765.8 15,711 1.14 0.722 -20.2908 -69.6958 -20°17' 27'' -69°41' 45'' 1.328655

3 rows × 26 columns

Al realizar nuevamente el pairplot por región a los datos combinados con la ubicación geográfica tenemos que las comunas más pobladas y/o con alta densidad poblacional muestran bajos porcentajes de pobreza.

In [16]:
plt.figure(figsize=(10,10))
sns.pairplot(df_merge_2, hue='region');

<Figure size 1000x1000 with 0 Axes>
No description has been provided for this image

Al hacer un zoom con un scatterplot entre la pobreza por ingreso vs la pobreza multidimensional tenemos una relación relativamente lineal entre estas 2 variables. Aunque, lo más significativo es que al agregar el tamaño de los puntos como población y densidad de población se observa una clara relación entre una baja en porcentajes de pobreza por ingreso y estas 2 últimas variables, sobre todo la densidad poblacional.

In [17]:
fig, ax = plt.subplots(1, figsize=(12,10))

sns.scatterplot(data=df_merge_2, x='porcentaje_pobreza_por_ingresos_2022', y='porcentaje_pobreza_multidimensional_2022', size='poblacion', sizes=(50, 2000), alpha=0.8, ax=ax)
sns.scatterplot(data=df_merge_2, x='porcentaje_pobreza_por_ingresos_2022', y='porcentaje_pobreza_multidimensional_2022', size='densidad_pob_2022', sizes=(50, 2000), alpha=0.8, ax=ax)
ax.legend(bbox_to_anchor=(1.01, 1), loc='upper left')

plt.tight_layout()
plt.show()
No description has been provided for this image

A continuación, de lo obtenido anteriormente, realizaremos un gráfico que relacione la densidad poblacional con el porcentaje de pobreza por ingreso. El gráfico muestra las 40 comunas con mayor densidad poblacional el 2022.

Nota: Se eligieron 40 comunas para no saturar el gráfico con información.

In [18]:
# Data para mapa de comunas
comunas = gpd.read_file('./Comunas/comunas.shp')
comunas = comunas.merge(df_merge_2, left_on='cod_comuna', right_on='codigo')

# Se seleccionan las 40 comunas más densas para no saturar el gráfico
comunas_top_densidad = df_merge_2[['region', 'comuna_x', 'poblacion', 'densidad_pob_2022', 'porcentaje_pobreza_por_ingresos_2022']]\
    .sort_values('densidad_pob_2022', ascending=False).head(40)[['region', 'comuna_x']]
In [19]:
# Colores
############################################################################################
def mod_color_op(color, intensidad=1., alpha=1.):
    return (color[0] * intensidad, color[1] * intensidad, color[2] * intensidad, alpha)

col_yellow = (224,177,101,255)
col_green = (0,150,158,255)
col_salmon = (221,109,109,255)
col_wine = (155,97,128,255)
col_black = (3,2,8,255)
col_white = (225,232,234,255)
col_gray_text = (58,84,95,255)
col_gray = (170,190,199,255)
col_gray_dark = (108,135,147,255)

colorSalmon = tuple([i/255 for i in col_salmon])
colorYellow = tuple([i/255 for i in col_yellow])
colorYellow = mod_color_op(colorYellow, intensidad=0.93, alpha=1.)
colorGreen = tuple([i/255 for i in col_green])

colorBlack = tuple([i/255 for i in col_black])
colorWhite= tuple([i/255 for i in col_white])
colorGrayText = tuple([i/255 for i in col_gray_text])
colorGray = tuple([i/255 for i in col_gray])
colorGrayDark = tuple([i/255 for i in col_gray_dark])

color_region = {'Metropolitana': colorGreen, 'Valparaíso': colorSalmon, 'Biobío': colorYellow}


# Fuentes
############################################################################################
font_path_latoBlack = 'Lato/Lato-Black.ttf' 
font_path_latoB = 'Lato/Lato-Bold.ttf' 
font_path_latoR = 'Lato/Lato-Regular.ttf'
font_path_latoI = 'Lato/Lato-Italic.ttf'
font_path_noto2 = 'Noto_Sans_Symbols_2/NotoSansSymbols2-Regular.ttf'

prop_latoBlack = fm.FontProperties(fname=font_path_latoBlack)
prop_latoB = fm.FontProperties(fname=font_path_latoB)
prop_latoR = fm.FontProperties(fname=font_path_latoR)
prop_latoI = fm.FontProperties(fname=font_path_latoI)
prop_noto2 = fm.FontProperties(fname=font_path_noto2)

# Colores 
col_black = (3,2,8,255)
col_white = (225,232,234,255)
col_gray_text = (58,84,95,255)
col_gray = (170,190,199,255)
col_gray_dark = (108,135,147,255)

colorBlack = tuple([i/255 for i in col_black])
colorWhite= tuple([i/255 for i in col_white])
colorGrayText = tuple([i/255 for i in col_gray_text])
colorGray = tuple([i/255 for i in col_gray])
colorGrayDark = tuple([i/255 for i in col_gray_dark])


# Funciones
############################################################################################
def map_region_color_top_densidad(fig, pos, comunas, comunas_top_densidad, color_region, color_gray, alpha=0.2, xmin=-8.5*10**6, xmax=-7.5*10**6, ymin=-4.67*10**6, ymax=-3.75*10**6):
    map_color_ax = fig.add_axes(pos)

    regiones_sort = {'Arica y Parinacota': 1, 'Tarapacá': 2, 'Antofagasta': 3, 'Atacama': 4, 'Coquimbo': 5, 'Valparaíso': 6, 'Metropolitana': 7, " O'Higgins": 8, 
                    'Maule': 9, 'Ñuble': 10, 'Biobío': 11, 'La Araucanía': 12, 'Los Ríos': 13, 'Los Lagos': 14, 'Aysén': 15, 'Magallanes': 16}
    reg_min = comunas_top_densidad.region.apply(lambda x: regiones_sort[x]).min()
    reg_max = comunas_top_densidad.region.apply(lambda x: regiones_sort[x]).max()
    reg_range = [key for key, value in regiones_sort.items() if (value >= 6) & (value <= 11)]

    base = comunas[comunas.region.isin(reg_range)].plot(edgecolor='#555555', color='w',linewidth=0.1, ax=map_color_ax, alpha=0.4)
    for r in comunas_top_densidad.region.unique():
        comunas[(comunas['region']==r)].plot(edgecolor=color_gray, linewidth=0.1, ax=base, color=color_region[r], alpha=alpha)
        comuna_x_region = comunas_top_densidad[comunas_top_densidad.region==r].comuna_x
        comunas[(comunas['region']==r)&(comunas['comuna_x'].isin(comuna_x_region))].plot(edgecolor=color_gray, linewidth=0.1, ax=base, color=color_region[r])
    
    map_color_ax.text(xmin*0.91, ymax*1.07, f'Región\nMetropolitana', fontsize=10, fontproperties=prop_latoB, ha='left', color=color_region['Metropolitana'])
    map_color_ax.text(xmin*0.96, ymax*1.03, f'Región de\nValparaíso', fontsize=10, fontproperties=prop_latoB, ha='left', color=color_region['Valparaíso'])
    map_color_ax.text(xmin*0.927, ymax*1.21, f'Región del\nBiobío', fontsize=10, fontproperties=prop_latoB, ha='left', color=color_region['Biobío'])

    map_color_ax.text(xmin*0.97, ymax*0.99, 'Distribución de comunas con mayor\ndensidad de población', fontsize=10, fontproperties=prop_latoB, ha='left', color=colorGrayText)

    geom_vina = comunas[comunas.Comuna.str.contains('Viña')].geometry.centroid
    map_color_ax.annotate('Viña Del Mar', xy=(geom_vina.x, geom_vina.y), xycoords='data', 
            xytext=(geom_vina.x*1.025, geom_vina.y*1.01), textcoords='data', fontsize=8, color=color_region['Valparaíso'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Valparaíso'], linewidth=0.5))

    geom_v_alemana = comunas[comunas.Comuna.str.contains('Villa Alemana')].geometry.centroid
    map_color_ax.annotate('Villa Alemana', xy=(geom_v_alemana.x, geom_v_alemana.y), xycoords='data', 
            xytext=(geom_v_alemana.x*1.025, geom_v_alemana.y*1.02), textcoords='data', fontsize=8, color=color_region['Valparaíso'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Valparaíso'], linewidth=0.5))

    geom_santiago = comunas[comunas.Comuna.str.contains('Santiago')].geometry.centroid
    map_color_ax.annotate('Comunas con mayor\ndensidad poblacional de\nla Región Metropolitana', xy=(geom_santiago.x, geom_santiago.y), xycoords='data', 
            xytext=(geom_santiago.x*1.025, geom_santiago.y*1.05), textcoords='data', fontsize=8, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana'], linewidth=0.5))

    geom_hualpen = comunas[comunas.Comuna.str.contains('Hualpén')].geometry.centroid
    map_color_ax.annotate('Hualpén', xy=(geom_hualpen.x, geom_hualpen.y), xycoords='data', 
            xytext=(geom_hualpen.x*1.02, geom_hualpen.y*0.99), textcoords='data', fontsize=8, color=color_region['Biobío'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Biobío'], linewidth=0.5))

    geom_talcahuano = comunas[comunas.Comuna.str.contains('Talcahuano')].geometry.centroid
    map_color_ax.annotate('Talcahuano', xy=(geom_talcahuano.x, geom_talcahuano.y), xycoords='data', 
            xytext=(geom_talcahuano.x*1.0, geom_talcahuano.y*0.98), textcoords='data', fontsize=8, color=color_region['Biobío'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Biobío'], linewidth=0.5))

    geom_SnPedro = comunas[comunas.Comuna.str.contains('San Pedro de la Paz')].geometry.centroid
    map_color_ax.annotate('San Pedro De La Paz', xy=(geom_SnPedro.x, geom_SnPedro.y), xycoords='data', 
            xytext=(geom_SnPedro.x*0.99, geom_SnPedro.y*0.995), textcoords='data', fontsize=8, color=color_region['Biobío'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Biobío'], linewidth=0.5))

    geom_Chiguayante = comunas[comunas.Comuna.str.contains('Chiguayante')].geometry.centroid
    map_color_ax.annotate('Chiguayante', xy=(geom_Chiguayante.x, geom_Chiguayante.y), xycoords='data', 
            xytext=(geom_Chiguayante.x*1.025, geom_Chiguayante.y*1.005), textcoords='data', fontsize=8, color=color_region['Biobío'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Biobío'], linewidth=0.5))

    map_color_ax.set_xlim(xmin,xmax)
    map_color_ax.set_ylim(ymin,ymax)
    map_color_ax.set_axis_off()

def barplot_media_pobreza(fig, pos, mean_comunas_top_densidad, color, ticklabels, title, pos_text=[0,1]):
    map_color_ax = fig.add_axes(pos)
    map_color_ax.bar(x=mean_comunas_top_densidad.index, height=mean_comunas_top_densidad.values, color=color, width=0.95, alpha=0.7)

    map_color_ax.yaxis.tick_right()  # Mover los ticks a la derecha
    map_color_ax.yaxis.set_label_position("right")  # Mover la etiqueta del eje a la derecha
    map_color_ax.spines['right'].set_position(('outward', 0))  # Mover la línea del eje y a la derecha
    map_color_ax.spines['left'].set_color('none')  # Eliminar el eje izquierdo

    map_color_ax.spines['top'].set_visible(False)
    map_color_ax.spines['right'].set_visible(False)
    map_color_ax.spines['left'].set_visible(False)
    map_color_ax.spines['bottom'].set_linewidth(0.)
    map_color_ax.spines[:].set_color(colorGrayText)

    map_color_ax.set_xticks([0,1,2,3])
    map_color_ax.set_xticklabels(ticklabels, fontproperties=prop_latoR, color=colorGrayText, fontsize=8)
    map_color_ax.tick_params(axis='x', width=0., color=colorGrayText)
    map_color_ax.set_yticks(map_color_ax.get_yticks()[:-1])
    map_color_ax.set_yticks([])
    map_color_ax.text(pos_text[0], pos_text[1], title, ha='left', va='top', fontsize=10, color=colorGrayText, fontproperties=prop_latoB)

    map_color_ax.text(0, mean_comunas_top_densidad['Metropolitana']*0.9, f"  {mean_comunas_top_densidad['Metropolitana']}%", ha='center', va='top', fontsize=10, color='w', fontproperties=prop_latoB)
    map_color_ax.text(1, mean_comunas_top_densidad['Biobío']*0.9, f"  {mean_comunas_top_densidad['Biobío']}%", ha='center', va='top', fontsize=10, color='w', fontproperties=prop_latoB)
    map_color_ax.text(2, mean_comunas_top_densidad['Valparaíso']*0.9, f"  {mean_comunas_top_densidad['Valparaíso']}%", ha='center', va='top', fontsize=10, color='w', fontproperties=prop_latoB)
    map_color_ax.text(3, mean_comunas_top_densidad['Resto']*0.95, f"  {mean_comunas_top_densidad['Resto']}%", ha='center', va='top', fontsize=10, color=colorGrayText, fontproperties=prop_latoB)

def drawCircleText(fig, size, pos, pos_point = [3.0, 1.0], pos_text = [3.0, 0.98], ha_title = 'center', va_title = 'top', stext = 10, n_size=300, title=''):
    circle_ax = fig.add_axes(pos)
    text_title = size.astype(int).astype(str)
    circle_ax.scatter(x=pos_point[0], y=pos_point[1], color=colorGray, s=size/n_size)
    if title=='':
        circle_ax.text(pos_text[0], pos_text[1], text_title, ha=ha_title, va=va_title, fontsize=stext, color=colorGrayText, fontproperties=prop_latoR)
    else:
        circle_ax.text(pos_text[0], pos_text[1], title, ha=ha_title, va=va_title, fontsize=stext, color=colorGrayText, fontproperties=prop_latoB)
    circle_ax.set_aspect('equal', adjustable='box')
    circle_ax.set_axis_off()

def annotate_fig(ax, text, pos_text, arrow, text_arrow, ls=[1, 1]):
    ax.text(pos_text[0], pos_text[1], text, ha='left', va='top', 
            fontsize=10, weight=900, color=colorGrayText, 
            fontproperties=prop_latoR, linespacing=ls[0])
    ax.text(text_arrow[0], text_arrow[1], arrow, ha='left', va='top', 
            fontsize=10, weight=500, color=colorGrayText, 
            fontproperties=prop_noto2, linespacing=ls[1])

def title_fig(fig, ax, posx_line_title, posy_line_title, color_text, color_line, text,
            lw_line_title, pos_x0_title, pos_y0_title, fontsize=14, fontproperties=prop_latoBlack, linespacing=1):
    fig.add_artist(
        lines.Line2D(posx_line_title, posy_line_title, lw=lw_line_title, 
                    color=color_line, solid_capstyle="butt", 
                    transform=ax.transAxes))
    fig.text(pos_x0_title, pos_y0_title, text,
            ha='left', va='top', fontsize=fontsize, weight=700, 
            color=color_text, fontproperties=fontproperties, linespacing=linespacing)


# Grafico
############################################################################################
fig, ax = plt.subplots(1, figsize=(12,10), dpi=200)

n_size = 300
df_merge_2_ = df_merge_2[~df_merge_2.comuna_x.isin(comunas_top_densidad.comuna_x)].sort_values('poblacion',ascending=False)
ax.scatter(x=df_merge_2_['porcentaje_pobreza_por_ingresos_2022'], y=df_merge_2_['densidad_pob_2022'], 
            s=df_merge_2_['poblacion']/n_size, color=colorGray, alpha=0.5, edgecolor='w')

for r in comunas_top_densidad.region.unique():
    df_merge_2_ = df_merge_2[df_merge_2.comuna_x.isin(comunas_top_densidad[comunas_top_densidad.region==r].comuna_x)].sort_values('poblacion',ascending=False)
    ax.scatter(x=df_merge_2_['porcentaje_pobreza_por_ingresos_2022'], y=df_merge_2_['densidad_pob_2022'], 
    s=df_merge_2_['poblacion']/n_size, color=color_region[r], alpha=0.8, edgecolor='w')


ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['left'].set_visible(False)
ax.spines['bottom'].set_linewidth(0.5)
ax.spines[:].set_color(colorGrayText)

ax.set_xticks(ax.get_xticks()[1:-1])
ax.set_xticklabels([str(int(100*x))+'%' for x in ax.get_xticks()], fontproperties=prop_latoR, color=colorGrayText, fontsize=8)
ax.tick_params(axis='x', width=0.5, color=colorGrayText)
ax.set_yticks([i*4000 for i in range(7)])
ax.set_yticklabels([str(int(x)) for x in ax.get_yticks()], fontproperties=prop_latoR, color=colorGrayText, fontsize=8)
ax.tick_params(axis='y', width=0.5, color=colorGrayText)

map_region_color_top_densidad(fig, pos=[0.83, 0.25, 0.4, 0.7], comunas=comunas, comunas_top_densidad=comunas_top_densidad, color_region=color_region, color_gray=colorGray, alpha=0.4)

mean_comunas_top_densidad = df_merge_2[df_merge_2.comuna_x.isin(comunas_top_densidad.comuna_x)].groupby('region')['porcentaje_pobreza_por_ingresos_2022'].mean()
mean_comunas_top_densidad['Resto'] = df_merge_2[~df_merge_2.comuna_x.isin(comunas_top_densidad.comuna_x)]['porcentaje_pobreza_por_ingresos_2022'].mean()
mean_comunas_top_densidad = (mean_comunas_top_densidad * 100).round(2)
mean_comunas_top_densidad = mean_comunas_top_densidad.sort_values()
barplot_media_pobreza(fig, pos=[0.53, 0.5, 0.28, 0.1], mean_comunas_top_densidad=mean_comunas_top_densidad.sort_values(), 
        color=[color_region['Metropolitana'], color_region['Biobío'], color_region['Valparaíso'], colorGray],
        ticklabels=["Comunas top\ndensidad de\npoblación\nmetropolitana", "Comunas top\ndensidad de\npoblación\nBio Bio", "Comunas top\ndensidad de\npoblación\nValparaíso", "Comunas\ncon menor\ndensidad de\npoblación"],
        title='Promedio de pobreza por ingreso $^{***}$', pos_text=[-0.5, 13])

x_=0.35-0.07
y_=-0.2
drawCircleText(fig, np.array(600000.0), pos=[0.75+x_, 0.25+y_, 0.2, 0.3], pos_point = [3.0, 1.0], pos_text = [3.0, 0.93],
                ha_title = 'center', va_title = 'top', stext = 10, n_size=n_size)
drawCircleText(fig, np.array(200000.0), pos=[0.68+x_, 0.25+y_, 0.2, 0.3], pos_point = [3.0, 1.0], pos_text = [3.0, 0.93],
                ha_title = 'center', va_title = 'top', stext = 10, n_size=n_size)
drawCircleText(fig, np.array(50000.0), pos=[0.62+x_, 0.25+y_, 0.2, 0.3], pos_point = [3.0, 1.0], pos_text = [3.0, 0.93],
                ha_title = 'center', va_title = 'top', stext = 10, n_size=n_size)
drawCircleText(fig, np.array(10000.0), pos=[0.57+x_, 0.25+y_, 0.2, 0.3], pos_point = [3.0, 1.0], pos_text = [3.0, 0.93],
                ha_title = 'center', va_title = 'top', stext = 10, n_size=n_size)
drawCircleText(fig, np.array(0), pos=[0.555+x_, 0.35+y_, 0.2, 0.3], pos_point = [3.0, 1.0], pos_text = [3.0, 0.93],
                ha_title = 'left', va_title = 'bottom', stext = 10, n_size=n_size,
                title='Población por comuna 2022')

# Anotaciones scatter
# Metropolitana
ax.annotate('Santiago', xy=(0.038, 22000), xycoords='data',
            xytext=(0.015, 21100), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana']))
ax.annotate('Independencia', xy=(0.06, 21800), xycoords='data',
            xytext=(0.065, 22500), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana']))
ax.annotate('La Pintana', xy=(0.093, 5800), xycoords='data',
            xytext=(0.1, 4000+500), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana']))
ax.annotate('Las Condes', xy=(0.009, 2800), xycoords='data',
            xytext=(0.001, 1300), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=20,angleB=-90", color=color_region['Metropolitana']))
ax.annotate('Vitacura', xy=(0.009, 3800), xycoords='data',
            xytext=(-0.01, 6300), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color='w', linewidth=2))
ax.annotate('Vitacura', xy=(0.009, 3750), xycoords='data', 
            xytext=(-0.01, 6300), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana']))
ax.annotate('Providencia', xy=(0.013, 10900), xycoords='data', 
            xytext=(0.015, 9000), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana']))
ax.annotate('Maipú', xy=(0.025, 4600), xycoords='data', 
            xytext=(0.01, 6000), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=-10,angleB=-45", color=color_region['Metropolitana']))
ax.annotate('Ñuñoa', xy=(0.013, 16000), xycoords='data', 
            xytext=(0.02, 17000), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana']))
ax.annotate('Estación\nCentral', xy=(0.048, 14900), xycoords='data', 
            xytext=(0.029, 15500), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana']))
ax.annotate('Recoleta', xy=(0.05, 12700), xycoords='data', 
            xytext=(0.029, 13500), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana']))
ax.annotate('Lo Espejo', xy=(0.069, 14800), xycoords='data', 
            xytext=(0.075, 15500), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana']))
ax.annotate('San Ramón', xy=(0.069, 12400), xycoords='data', 
            xytext=(0.075, 13000), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana']))
ax.annotate('Macul', xy=(0.035, 11000), xycoords='data', 
            xytext=(0.02, 12200), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana']))
ax.annotate('Puente Alto', xy=(0.042, 7500), xycoords='data', 
            xytext=(0.01, 7950), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=-10,angleB=90", color=color_region['Metropolitana']))
ax.annotate('San Joaquín', xy=(0.093-0.045, 5800+4600), xycoords='data',
            xytext=(0.11-0.055, 4000+5000), textcoords='data', fontsize=10, color=color_region['Metropolitana'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Metropolitana']))
# Valparaíso
ax.annotate('Viña Del Mar', xy=(0.066, 3700), xycoords='data', 
            xytext=(0.072, 4100), textcoords='data', fontsize=10, color=color_region['Valparaíso'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-90", color=color_region['Valparaíso']))
ax.annotate('Villa\nAlemana', xy=(0.043, 1800), xycoords='data',
            xytext=(0.017, 2600), textcoords='data', fontsize=10, color=color_region['Valparaíso'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=-45", color=color_region['Valparaíso']))
# Biobío
ax.annotate('Hualpén', xy=(0.03, 1650), xycoords='data',
            xytext=(0.01, 550), textcoords='data', fontsize=10, color=color_region['Biobío'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=20,angleB=-90", color=color_region['Biobío']))
ax.annotate('Talcahuano', xy=(0.0475, 1550), xycoords='data',
            xytext=(0.02, -800), textcoords='data', fontsize=10, color=color_region['Biobío'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=20,angleB=-90", color=color_region['Biobío']))
ax.annotate('San Pedro De La Paz', xy=(0.055, 1000), xycoords='data',
            xytext=(0.05, -800), textcoords='data', fontsize=10, color=color_region['Biobío'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=20,angleB=-90", color=color_region['Biobío']))
ax.annotate('Chiguayante', xy=(0.059, 1100), xycoords='data',
            xytext=(0.072, 2500), textcoords='data', fontsize=10, color=color_region['Biobío'], fontproperties=prop_latoR,
            arrowprops=dict(arrowstyle='-', connectionstyle="angle3,angleA=0,angleB=45", color=color_region['Biobío']))

# Ejes
# Eje x
x_=0.03
y_=-2500
ax.text(0.18+x_, 0.07+y_, "% Pobreza por ingreso", ha='left', va='top', 
            fontsize=10, weight=900, 
            color=colorGrayText, fontproperties=prop_latoB)
ax.text(0.22+x_, 0.07+y_, "🡲", ha='left', va='top', 
            fontsize=10, weight=900, 
            color=colorGrayText, fontproperties=prop_noto2)
# Eje y
x_=-0.025
y_=23500
ax.text(0.+x_, 0.+y_, 'Densidad poblacional\n'+'$Hab/km^2$', ha='left', va='top', rotation=90,
            fontsize=10, weight=900, 
            color=colorGrayText, fontproperties=prop_latoB)
ax.text(0.+x_, 550+y_, "🡲", ha='left', va='top', rotation=90,
            fontsize=10, weight=900, 
            color=colorGrayText, fontproperties=prop_noto2)

# Comentarios
annotate_fig(ax, '     Santiago e Indepencia muestran una\nmayor densidad poblacional incluso que\nlas comunas con alta densidad\npoblacional', 
                [0.11, 22000], '🡰', [0.11, 22000], [1.4, 1.4])

annotate_fig(ax, '     La Pintana posee un nivel mayor de\nporcentaje de pobreza por ingreso\nrespecto a las comunas más\ndensamente pobladas', 
                [0.13, 6500], '🡰', [0.13, 6500], [1.4, 1.4])


# Titulo
posx_line_title = [0.045-0.09-0.05, 1.45]
posy_line_title = [1.23-.11, 1.23-.11]
lw_line_title = 1
pos_x0_title = 0.16-0.105
pos_y0_title = 1.05-.08
title_fig(fig, ax, posx_line_title, posy_line_title, colorGrayText, colorGrayText,
        "La pobreza por ingreso afecta menos a las comunas más densamente pobladas$^{*}$",
        lw_line_title, pos_x0_title, pos_y0_title, fontsize=15)

posx_line_title = [0.045-0.09-0.05, 0.045-0.09+0.03-0.05]
posy_line_title = [1.2-.13, 1.2-.13]
lw_line_title = 1
pos_x0_title = 0.16-0.105
pos_y0_title = 1.05-0.122
title_fig(fig, ax, posx_line_title, posy_line_title, colorGrayText, colorGrayText,
        "Densidad poblacional vs porcentaje de pobreza por comuna$^{**}$",
        lw_line_title, pos_x0_title, pos_y0_title, fontsize=12)

# pie de pagina
posx_line_title = [0.045-0.09-0.05, 1.45]
posy_line_title = [-0.1, -0.1]
lw_line_title = 1
pos_x0_title = 0.16-0.105
pos_y0_title = 0.025
title_fig(fig, ax, posx_line_title, posy_line_title, colorGrayText, colorGrayText,
        "$^{*}$       : Datos de estimaciones de pobreza comunal 2022 tomados del observatorio del ministerio de desarrollo social (https://observatorio.ministeriodesarrollosocial.gob.cl/pobreza-comunal-2022).\n"+
        "$^{**}$    : Dato de superficie comunal tomada de https://github.com/altazor-1967/Comunas-de-Chile.\n"
        "$^{***}$: Se considera el Top 40 de coumnas con mayor densidad poblacional durante el 2022.",
        lw_line_title, pos_x0_title, pos_y0_title, fontsize=8, fontproperties=prop_latoI, linespacing=0.8)
No description has been provided for this image

Considerando lo anterior, se puede indicar que:

  • Las comunas más densamente pobladas presentan menor porcentaje de pobreza por ingreso. Estas comunas se encuentran principalmente en la Región Metropolitana y un par en la Región de Valparaíso y Región del Bio Bio.
  • En todos los casos las comunas tienden a estar cercanas de otras comunas altamente densas en población y esto se observa principalmente en el caso de la Región Metropolitana, que están todas en el centro de la región.
  • No solo las comunas más densamente pobladas presentan bajo porcentaje de pobreza por ingreso, lo que sugiere otros factores relevantes en este indicador que se podrían explorar.

COMBINACIÓN CON DATOS DE PERIODOS ANTERIORES DATASETS¶

Continuando con la relación de porcentaje de pobreza vs población, buscaremos si hay algún patrón histórico, para ello utilizaremos los datos de la versión 2020 de pobreza por ingreso, combinaremos con el dataset anterior y crearemos la variable diff_porcentaje_pobreza_por_ingresos para evaluar el cambio.

Nota: Los datos del 2020 fueron ajustados a la nueva metodología SAE

In [20]:
#Datos del 2020
df_3 = get_clean_data(file='./data/Estimaciones_de_Tasa_de_Pobreza_por_Ingresos_por_Comunas_2020_revisada2022_09.xlsx', get_rows=[2, 345])
df_3 = df_3[['codigo', 'porcentaje_de_personas_en_situacion_de_pobreza_por_ingresos_2020']]
df_3 = df_3.rename(columns={'porcentaje_de_personas_en_situacion_de_pobreza_por_ingresos_2020': 'porcentaje_pobreza_por_ingresos_2020'})
df_merge_3 = df_merge_2.merge(df_3, on='codigo')
df_merge_3['diff_porcentaje_pobreza_por_ingresos'] = df_merge_3['porcentaje_pobreza_por_ingresos_2020'] - df_merge_3['porcentaje_pobreza_por_ingresos_2022']
df_merge_3['porcentaje_pobreza_por_ingresos_sube'] = df_merge_3['diff_porcentaje_pobreza_por_ingresos']<0

Al hacer un scatterplot entre porcentaje_pobreza_por_ingresos_2020 y porcentaje_pobreza_por_ingresos_2022 podemos ver que en la mayoría de las comunas bajó el porcentaje de pobreza por ingreso. Esto se podría deber al periodo post pandemia, entre otras causas.

Además, agregando el tamaño como densidad de población, se muestra que las comunas más densamente pobladas el 2022 mejoraron sus indices de pobreza.

In [21]:
fig, ax = plt.subplots(1, figsize=(12,10))

sns.scatterplot(data=df_merge_3, x='porcentaje_pobreza_por_ingresos_2020', y='porcentaje_pobreza_por_ingresos_2022',
                alpha=0.8, ax=ax, size='densidad_pob_2022', sizes=(20, 1000), marker='o',
                hue=['sube %' if i<0 else 'baja %' for i in df_merge_3['diff_porcentaje_pobreza_por_ingresos']])
ax.plot([0, 0.3], [0, 0.3], color='r')

ax.legend(bbox_to_anchor=(1.01, 1), loc='upper left')
plt.tight_layout()
plt.show()
No description has been provided for this image

Solo par efectos de visualización, podría ser más interesante representar el scatter en coordenadas polares, donde la diferencia de porcentaje de pobreza por ingreso sea la componente angular y el valor 0% limite si mejoró o empeoró la pobreza. Por otro lado el eje radial, representado por el porcentaje de pobreza por ingreso del 2022, muestra a condición actual de pobreza por comuna.

In [22]:
# Las comunas con mayor poblacion (y con mayor densidad de poblacion) disminuyeron su porcentaje de pobreza por ingreso
fig, ax = plt.subplots(1, figsize=(12,10), subplot_kw={'projection': 'polar'}, dpi=80)

df_merge_3_polar = df_merge_3.copy()
df_merge_3_polar = df_merge_3_polar.sort_values('densidad_pob_2022', ascending=False)
sns.scatterplot(x=-df_merge_3_polar['diff_porcentaje_pobreza_por_ingresos']*0.48*np.pi/df_merge_3['diff_porcentaje_pobreza_por_ingresos'].abs().max(),
                y=(df_merge_3_polar['porcentaje_pobreza_por_ingresos_2022'] + df_merge_3_polar['porcentaje_pobreza_por_ingresos_2020'])*0.5, 
                alpha=0.6, ax=ax, 
                size=df_merge_3_polar['densidad_pob_2022'], 
                sizes=(50, 2000), marker='o',
                hue=['r' if i>0 else 'gray' for i in df_merge_3_polar['diff_porcentaje_pobreza_por_ingresos']],
                palette=['gray', 'r'], legend=False)
ax.plot([0, 0.5*np.pi], [0, 0.3], color='b', linestyle='--')
ax.set_thetamin(90)    # Ángulo mínimo en grados
ax.set_thetamax(-90)  # Ángulo máximo en grados
ax.set_rmax(0.25)

plt.tight_layout()
plt.show()
No description has been provided for this image

Otro punto relevante es si existe alguna relación entre la distribución geográfica y el aumento o disminución de pobreza. Para esto graficamos las comunas a lo largo de Chile con su diferencia de pobreza 2022-2020.

In [23]:
regiones_sort = {'Arica y Parinacota': 1, 'Tarapacá': 2, 'Antofagasta': 3, 'Atacama': 4, 'Coquimbo': 5, 'Valparaíso': 6, 'Metropolitana': 7, " O'Higgins": 8, 
                'Maule': 9, 'Ñuble': 10, 'Biobío': 11, 'La Araucanía': 12, 'Los Ríos': 13, 'Los Lagos': 14, 'Aysén': 15, 'Magallanes': 16}

df_merge_3['num_region'] = [17-regiones_sort[r] for r in df_merge_3.region]

# La subida o baja en el indice no parece tener alguna relación con la distribución geográfica
fig, (ax1, ax2) = plt.subplots(1,2, figsize=(10,10), dpi=80)
diamond_marker = "o"#((0, -0.8), (1.5, 0), (0, 0.8), (-1.5, 0))
df_m_3 = df_merge_3[df_merge_3['diff_porcentaje_pobreza_por_ingresos']>=0]
for d in df_m_3.itertuples():
    sns.lineplot(x=[0, d.diff_porcentaje_pobreza_por_ingresos],
                    y=[d.latitud, d.latitud], linewidth=0.5,
                    color='gray', alpha=0.3, ax=ax2)
sns.scatterplot(data=df_m_3, 
            x='longitud', y='latitud', size='densidad_pob_2022', sizes=(10, 50), marker=diamond_marker, alpha=0.3, ax=ax1, c='gray', legend=False)


df_m_3 = df_merge_3[df_merge_3['diff_porcentaje_pobreza_por_ingresos']<0]
for d in df_m_3.itertuples():
    sns.lineplot(x=[0, d.diff_porcentaje_pobreza_por_ingresos],
                    y=[d.latitud, d.latitud], linewidth=0.8,
                    color='r', alpha=1.0, ax=ax2)
sns.scatterplot(data=df_m_3, 
            x='longitud', y='latitud', size='densidad_pob_2022', sizes=(10, 50), marker=diamond_marker, alpha=0.8, ax=ax1, c='r', legend=False)

sns.lineplot(x=[0, 0],
            y=[df_merge_3.latitud.min(), df_merge_3.latitud.max()], linewidth=0.5,
                    color='gray', alpha=0.5, ax=ax1)
ax1.set_yticks(df_merge_3.groupby('num_region')['latitud'].mean(numeric_only=True).sort_values(ascending=False))
ax1.set_yticklabels([r for r in regiones_sort.keys()])
ax1.set_xlim([-76,-65])

plt.tight_layout()
plt.show()
No description has been provided for this image

No se observa alguna relación relevante en la distribución geográfica, solo 2 ciudades en el sur con mucho aumento de pobreza.

En cualquier caso, este grafico es útil para representar como referencia de que no hay algún patrón geográfico directo, y combinado con el scatter anterior muestran la evolución temporal de la pobreza en las distintas comunas de Chile entre 2020-2022.

In [34]:
# Funciones
############################################################################################

def polarScatter(df, fig, pos=[0.6, 0.85, 0.5, 0.5]):
    polar_ax = fig.add_axes(pos, projection='polar')
    n_adj = 0.48
    df_merge_3_polar = df.copy()
    df_merge_3_polar = df_merge_3_polar.sort_values('densidad_pob_2022', ascending=True)

    beta_ = n_adj*np.pi/df_merge_3_polar['diff_porcentaje_pobreza_por_ingresos'].abs().max()
    sns.scatterplot(x=df_merge_3_polar['diff_porcentaje_pobreza_por_ingresos']*beta_,
                    y=df_merge_3_polar['porcentaje_pobreza_por_ingresos_2022'], 
                    alpha=[0.9 if i.diff_porcentaje_pobreza_por_ingresos<0 else 0.5 if i.densidad_pob_2022<1250 else 0.9 for i in df_merge_3_polar.itertuples()], 
                    ax=polar_ax, 
                    size=[100 if i.diff_porcentaje_pobreza_por_ingresos<0 else 100 if i.densidad_pob_2022<1250 else 400 for i in df_merge_3_polar.itertuples()],#df_merge_3_polar['densidad_pob_2022'], 
                    sizes=(100, 100), 
                    marker='h',
                    hue=['r' if i.diff_porcentaje_pobreza_por_ingresos<0 else 'gray' if i.densidad_pob_2022<1250 else 'blue' for i in df_merge_3_polar.itertuples()],
                    palette=[colorGreen, colorSalmon, colorYellow], legend=False)
    polar_ax.set_thetamin(-60)    # Ángulo mínimo en grados
    polar_ax.set_thetamax(90)  # Ángulo máximo en grados
    polar_ax.set_rmax(0.25)
    for spine in polar_ax.spines.values():
        spine.set_color(colorGray)
    polar_ax.set_ylabel("")
    polar_ax.set_xlabel("")
    polar_ax.set_yticklabels([str(int(100*y))+'%' for y in polar_ax.get_yticks()][:-1], fontproperties=prop_latoR)
    polar_ax.set_xticklabels([str(int(1000*x/beta_)/10)+'%' for x in polar_ax.get_xticks()], fontproperties=prop_latoR)
    polar_ax.xaxis.label.set_color(colorGrayText)
    polar_ax.tick_params(axis='x', colors=colorGrayText)
    polar_ax.tick_params(axis='y', colors=colorGrayText)

    # Especificar el texto y sus propiedades
    text_ = "- Variación Pobreza (%) +"
    radius = 0.3  # Radio donde el texto se ubicará
    angle_start = -3.5  # Ángulo inicial del arco (en grados, -90 para empezar en la parte inferior del arco)

    # Calcular la posición angular de cada letra
    angle_per_char = 1.3  # Ángulo entre cada letra, ajusta este valor para espaciar las letras
    angles = np.linspace(angle_start, angle_start + angle_per_char * (len(text_) - 1), len(text_))

    # Dibujar el texto en el arco
    for i, (char, angle) in enumerate(zip(text_, angles)):
        # Convertir el ángulo a radianes para que Matplotlib lo entienda
        angle_rad = np.deg2rad(angle)
        # Agregar el texto en la posición correspondiente
        polar_ax.text(angle_rad-0.2, radius, char, rotation=angle+75, rotation_mode='anchor',
                ha='center', va='center', fontsize=10, color=colorGrayText, fontproperties=prop_latoR)
    polar_ax.text(angle_rad-0.16, radius, "🡲", ha='center', va='center', rotation=90+18, 
            fontsize=10, weight=900, rotation_mode='anchor',
            color=colorGrayText, fontproperties=prop_noto2)
    polar_ax.text(angle_rad-0.775, radius, "🡰", ha='center', va='center', rotation=90-19, 
            fontsize=10, weight=900, rotation_mode='anchor',
            color=colorGrayText, fontproperties=prop_noto2)

def drawHex(fig, size, pos, color, alpha):
    hex_ax = fig.add_axes(pos)
    hex_ax.scatter(x=0, y=0, color=color, s=size, marker='h', alpha=alpha)
    hex_ax.set_aspect('equal', adjustable='box')
    hex_ax.set_axis_off()


# Grafico
############################################################################################
# La subida o baja en el indice no parece tener alguna relación con la distribución geográfica
fig = plt.figure(figsize=(10,10), dpi=200) 
gs = gridspec.GridSpec(1, 2, width_ratios=[1, 2])  # El primer subplot será el doble de ancho que el segundo
ax1 = fig.add_subplot(gs[0])
ax2 = fig.add_subplot(gs[1])

n_size=250
diamond_marker = "h"#((0, -0.8), (1.5, 0), (0, 0.8), (-1.5, 0))

df_m_3 = df_merge_3[(df_merge_3['diff_porcentaje_pobreza_por_ingresos']>=0)&(df_merge_3['densidad_pob_2022']<1280)]
for d in df_m_3.itertuples():
    sns.lineplot(x=[0, d.diff_porcentaje_pobreza_por_ingresos],
                    y=[d.latitud, d.latitud], linewidth=3,
                    color=colorGreen, alpha=0.3, ax=ax2, zorder=1)
sns.scatterplot(data=df_m_3, 
            x='longitud', y='latitud', size='poblacion', sizes=(n_size, n_size), marker=diamond_marker, alpha=0.3, ax=ax1, c=colorGreen, legend=False, zorder=2)

df_m_3 = df_merge_3[(df_merge_3['diff_porcentaje_pobreza_por_ingresos']>=0)&(df_merge_3['densidad_pob_2022']>=1280)]
for d in df_m_3.itertuples():
    sns.lineplot(x=[0, d.diff_porcentaje_pobreza_por_ingresos],
                    y=[d.latitud, d.latitud], linewidth=3,
                    color=colorYellow, alpha=0.3, ax=ax2, zorder=1)
sns.scatterplot(data=df_m_3, 
            x='longitud', y='latitud', size='poblacion', sizes=(n_size, n_size), marker=diamond_marker, alpha=0.3, ax=ax1, c=colorYellow, legend=False, zorder=2)

df_m_3 = df_merge_3[df_merge_3['diff_porcentaje_pobreza_por_ingresos']<0]
for d in df_m_3.itertuples():
    sns.lineplot(x=[0, d.diff_porcentaje_pobreza_por_ingresos],
                    y=[d.latitud, d.latitud], linewidth=3,
                    color=colorSalmon, alpha=1.0, ax=ax2, zorder=1)
sns.scatterplot(data=df_m_3, 
            x='longitud', y='latitud', size='poblacion', sizes=(n_size, n_size), marker=diamond_marker, alpha=0.8, ax=ax1, c=colorSalmon, legend=False, zorder=2)

ax2.axvline(x=0, color=colorGrayText, linewidth=1, label='', zorder=2)

for d in df_merge_3.sort_values('latitud', ascending=False).groupby('region', as_index=False).median(numeric_only=True).sort_values('latitud', ascending=False).itertuples():
    ax1.text(d.longitud - 2.5, d.latitud, d.region, ha='right', va='center', color=colorGrayText, fontproperties=prop_latoR)

ax1.set_yticks([])
ax1.set_xlim([-76,-65])
ax1.spines['top'].set_visible(False)
ax1.spines['right'].set_visible(False)
ax1.spines['left'].set_visible(False)
ax1.spines['bottom'].set_visible(False)
ax1.set_xticks([])
ax1.set_xlabel('')
ax1.set_ylabel('')
ax1.tick_params(axis='both', which='both', length=0)

pos2 = ax2.get_position()
ax2.set_position([pos2.x0+0.07, pos2.y0, pos2.width, pos2.height])
ax2.spines['left'].set_visible(False)
ax2.spines['right'].set_visible(False)
ax2.spines['top'].set_visible(False)
ax2.patch.set_facecolor('none')
ax2.set_yticks([])
ax2.set_xticklabels([str(int(100*x))+'%' for x in ax2.get_xticks()], fontproperties=prop_latoR)
ax2.spines['bottom'].set_color(colorGrayText)
ax2.tick_params(axis='x', colors=colorGrayText)
ax2.xaxis.label.set_color(colorGrayText)

ax2.text(0, df_merge_3.latitud.min()-3.5, "Variación pobreza (%) 2020-2022", ha='center', va='top', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0)
ax2.text(0.13, df_merge_3.latitud.min()-1.2, "Disminuye pobreza", ha='right', va='center', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0)
ax2.text(0.13, df_merge_3.latitud.min()-1.2, " 🡲", ha='left', va='center', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=0)
ax2.text(-0.08, df_merge_3.latitud.min()-1.2, "Aumenta pobreza", ha='left', va='center', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0)
ax2.text(-0.08, df_merge_3.latitud.min()-1.2, "🡰 ", ha='right', va='center', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=0)
ax2.text(-0.01, df_merge_3.latitud.min(), "Sur ", ha='right', va='center', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0)
ax2.text(-0.01, df_merge_3.latitud.min(), "🡰", ha='left', va='center', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=90)
ax2.text(-0.01, df_merge_3.latitud.max(), "Norte ", ha='right', va='center', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0)
ax2.text(-0.01, df_merge_3.latitud.max(), "🡲", ha='left', va='center', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=90)

df_oh = df_merge_3[df_merge_3.comuna_x=='O’higgins']
ax2.text(df_oh.diff_porcentaje_pobreza_por_ingresos.values[0], 
        df_oh.latitud-0.3,
        str(np.round(df_oh.diff_porcentaje_pobreza_por_ingresos.values[0]*100,2)) + '% ' + df_oh.comuna_x.values[0], 
        ha='left', va='top', fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0)

df_pu = df_merge_3[df_merge_3.comuna_x=='Puqueldón']
ax2.text(df_pu.diff_porcentaje_pobreza_por_ingresos.values[0], 
        df_pu.latitud-0.3,
        str(np.round(df_pu.diff_porcentaje_pobreza_por_ingresos.values[0]*100,2)) + '% ' + df_pu.comuna_x.values[0], 
        ha='left', va='top', fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0)

# Anotaciones
fig.text(0.83, 0.38, "La mayoría de las\ncomunas disminuyó sus\níndices de pobreza\ndesde el 2020 al 2022", ha='left', va='top', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0, linespacing=1.5)
fig.text(0.83, 0.38, "🡰 ", ha='right', va='top', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=0, linespacing=1.5)

fig.text(0.78, 0.75, "Las comunas mas\ndensamente pobladas\nel 2022 presentan\nuna disminución en el\níndice de pobreza\npor ingreso entre\n2020 y 2022", ha='left', va='top', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_latoR, rotation=0, linespacing=1.5)
fig.text(0.78, 0.75, "🡲 ", ha='right', va='top', 
            fontsize=10, weight=900, color=colorGrayText, fontproperties=prop_noto2, rotation=0, linespacing=1.5)

# Polar Scatter
x_=0.87
y_=0.4
polarScatter(df_merge_3.sort_values('densidad_pob_2022', ascending=False), fig, pos=[x_, y_, 0.5, 0.5])

fig.text(x_+0.08, y_+0.16, "% Pobreza por ingreso 2022", ha='left', va='top', 
            fontsize=10, weight=900, 
            color=colorGrayText, fontproperties=prop_latoR, rotation=-60)
fig.text(x_+0.168, y_, "🡲", ha='left', va='top', 
            fontsize=10, weight=900, 
            color=colorGrayText, fontproperties=prop_noto2, rotation=-60)

fig.text(x_+0.05, 0.97, "% Pobreza por ingreso 2022 vs variación pobreza 2020-2022", ha='left', va='top', 
            fontsize=10, weight=900, 
            color=colorGrayText, fontproperties=prop_latoB, rotation=0)

# Titulo
pos_y_ = -0.025
posx_line_title = [-0.05, 1.4+0]
posy_line_title = [1.1+pos_y_, 1.1+pos_y_]
lw_line_title = 1
pos_x0_title = -0.045
pos_y0_title = 1.097+pos_y_
fig.add_artist(
    lines.Line2D(posx_line_title, posy_line_title, lw=1, 
                color=colorGrayText, solid_capstyle="butt", 
                transform=fig.transFigure ))
fig.text(pos_x0_title, pos_y0_title, "Mejora en los índices de pobreza tras la pandemia, variación de porcentaje de pobreza 2020-2022$^{*}$",
        ha='left', va='top', fontsize=15, weight=700, 
        color=colorGrayText, fontproperties=prop_latoBlack, linespacing=1)

pos_y_2 = -0.035
posx_line_title = [-0.05, -0.025]
posy_line_title = [1.1+pos_y_+pos_y_2, 1.1+pos_y_+pos_y_2]
lw_line_title = 1
pos_x0_title = -0.045
pos_y0_title = 1.097+pos_y_+pos_y_2
fig.add_artist(
    lines.Line2D(posx_line_title, posy_line_title, lw=1, 
                color=colorGrayText, solid_capstyle="butt", 
                transform=fig.transFigure ))
fig.text(pos_x0_title, pos_y0_title, "Distribución geográfica de variaciones en la pobreza por comuna$^{**}$",
        ha='left', va='top', fontsize=12, weight=700, 
        color=colorGrayText, fontproperties=prop_latoB, linespacing=1)

# Simbologia
x_i_=0.
drawHex(fig, 1000, [0.9+x_i_,0.,0.3,0.3], colorSalmon, 0.85)
fig.text(1.0+0.05, 0.12, "Comunas donde\naumentó la pobreza\nentre 2020 y 2022",
        ha='center', va='top', fontsize=9, weight=700, 
        color=colorGrayText, fontproperties=prop_latoR, linespacing=1)
drawHex(fig, 1000, [0.9+x_i_+.15,0.,0.3,0.3], colorGreen, 0.85)
fig.text(1.15+0.05, 0.12, "Comunas donde\ndisminuyó la pobreza\nentre 2020 y 2022",
        ha='center', va='top', fontsize=9, weight=700, 
        color=colorGrayText, fontproperties=prop_latoR, linespacing=1)
drawHex(fig, 1000, [0.9+x_i_+.075,0.1,0.3,0.3], colorYellow, 0.85)
fig.text(1.075+0.05, 0.22, "Comunas más\ndensamente\npobladas 2022$^{***}$",
        ha='center', va='top', fontsize=9, weight=700, 
        color=colorGrayText, fontproperties=prop_latoR, linespacing=1)

# pie de pagina
pos_y_ = 0.08
posx_line_title = [-0.05, 1.4+0]
posy_line_title = [-0.1+pos_y_, -0.1+pos_y_]
lw_line_title = 1
pos_x0_title = -0.045
pos_y0_title = 0.025-0.05
fig.add_artist(
    lines.Line2D(posx_line_title, posy_line_title, lw=1, 
                color=colorGrayText, solid_capstyle="butt", 
                transform=fig.transFigure ))
fig.text(pos_x0_title, pos_y0_title, 
        "$^{*}$       : Variación de porcentaje de pobreza por ingreso considera la diferencia entre las estimaciones de pobreza comunal 2022 y 2020,\n"+
        "            tomados del observatorio del ministerio de desarrollo social.\n"+
        "$^{**}$    : Datos de comunas y superficie comunal tomada de https://github.com/altazor-1967/Comunas-de-Chile.\n"
        "$^{***}$: Se considera el Top 40 de comunas con mayor densidad poblacional durante el 2022.",
        ha='left', va='top', fontsize=8, weight=700, 
        color=colorGrayText, fontproperties=prop_latoI, linespacing=1)

plt.tight_layout()
plt.show()
No description has been provided for this image

El gráfico es bastante interesante, muestra que la mayotía de las comunas mejoraron sus porcentajes de pobreza por ingreso entre 2020 a 2022. Este resultado es esperable debido a que la medición de 2020 tomó registros en época en que la pandemia estaba en su punto más alto y con muchas cuarentenas, por lo que bajó el ingreso de las personas. El año 2022 la situación estaba un poco más normalizada, lo que fue mejorando los porcentajes de pobreza.

Por otro lado, las 40 comunas más densamente pobladas mejoraron sus porcentajes de pobreza desde el 2020 al 2022.

Dos comunas destacables son Puqueldón y O'higgins que aumentaron en más de 7% su porcentaje de pobreza respecto al 2020.

CONCLUSIONES¶

Después del análisis realiazdo sobre las estimaciones de pobreza comunal en Chile para 2022 se destacan los siguientes puntos clave:

  • Reducción General de la Pobreza: Entre 2020 y 2022, la mayoría de las comunas mostraron una disminución en los índices de pobreza por ingreso, que podría ser atribuida a la recuperación económica tras los efectos de la pandemia.
  • Impacto de la Densidad Poblacional: Las comunas con mayor densidad poblacional, especialmente en la Región Metropolitana, tienden a presentar índices de pobreza más bajos. Esto sugiere que la densidad y la urbanización pueden influir en la reducción de la pobreza.
  • Variabilidad Geográfica: No se observa un patrón geográfico consistente en la variación de la pobreza, excepto en dos comunas del sur que experimentaron un aumento notable. Esto indica que la distribución geográfica no es el único factor relevante en los cambios de pobreza.
  • Efectos de Proximidad: Las comunas cercanas a áreas densamente pobladas también registran niveles más bajos de pobreza, lo cual podría relacionarse con la proximidad a centros de actividad económica.
  • Factores Contextuales y Regionales: Las comunas más pobres suelen estar en regiones con menor desarrollo económico y poblaciones menos densas, mientras que las capitales regionales y otras ciudades grandes tienden a compensar la pobreza regional gracias a sus características económicas y demográficas.

De acuerdo a lo anterior, futuros análisis podrían enfocarse en:

  • Explorar la relación entre crecimiento económico y pobreza: Usar datos adicionales de crecimiento económico y tasas de empleo para evaluar si las comunas que lograron reducir la pobreza también experimentaron mejoras económicas.
  • Análisis de pobreza en diferentes zonas urbanas y rurales: Profundizar en las diferencias entre zonas urbanas y rurales para identificar si ciertos factores, como la accesibilidad a servicios y oportunidades, explican las variaciones en los índices de pobreza.
  • Estudio longitudinal de la pobreza: Con datos futuros y más históricos, se podría realizar un análisis longitudinal para observar tendencias y evaluar el impacto de políticas públicas en la reducción de la pobreza a lo largo del tiempo.
  • Factores sociales y de infraestructura: Incluir variables adicionales como educación, salud, infraestructura y acceso a servicios básicos podría revelar factores que expliquen las diferencias de pobreza entre comunas de características similares.